A Lung Sound Classification System Based on Data Augmenting Using ELM-Wavelet-AE

ELM- Dalgacık-AE Kullanılarak Veri Çoğullama Tabanlı Bir Akciğer Sesleri Sınıflama Sistemi

Abstract

The method is of great importance in systems that include machine learning and classification steps. As a result, academics are constantly working to improve the process. However, the data pertaining to the methodology's performance is equally as valuable as the methodology's creation. While the data is utilized to show the result of the modeling process, it is critical to consider the proper labeling of the data, the technique of acquisition, and the volume. Obtaining data in certain sectors, particularly medical fields, can be costly and time consuming. Thus, data augmenting via classical and synthetic methods has recently gained popularity. Our study uses synthetic data augmentation since it is newer, more efficient, and produces the desired effect. Our study's goal is to classify a data collection of lung sounds into four groups using data augmenting. Obtaining and standardizing the wavelet scatter transformation of each cycle of lung sounds, splitting the transformed data into test and training, augmenting and classifying the training data. In the augmenting stage, we utilized ELM-AE, then ELM-W-AE, with six wavelet functions (Gaussian, Morlet, Mexican, Shannon, Meyer, Ggw) added. The SVM and EBT classifiers improved performance by 4% and 3% in ELM-W-AE compared to the original structure.

Özet

Makine öğrenmesi ve sınıflandırma adımlarını içeren sistemlerde yöntem büyük önem arz etmektedir. Bu sebeple araştırmacılar genellikle yöntemin iyileştirilmesi üzerinde çalışmalar yapmaktadır. Ancak metodolojinin geliştirilmesi kadar performansını etkileyen veri de bir o kadar değerlidir. Veri, modelleme sürecinde sonucu gözler önüne serebilmek için kullanılırken; verinin doğru etiketlenmesi, elde edilme yöntemi ve hacmi dikkat edilmesi gereken diğer önemli noktalardır. Medikal alanlar başta olmak üzere bazı alanlarda veri elde etmek maliyetli ve zor olabilmektedir. Bu sebeple klasik ve sentetik yöntemlerle veri çoğullama yaklaşımları son zamanlarda popüler olmaya başlamıştır. Sentetik veri çoğullama teknikleri daha yeni, verimli ve istenebilen sonuca yönelik olduğundan çalışmamızda tercih edilmiştir. Çalışmamızın amacı akciğer seslerine ait veri setini dört kategoride sınıflandırırken seçtiğimiz veri çoğullama yönteminin başarımını göstermektir. Önerdiğimiz yöntemin adımları şu şekildedir: akciğer seslerine ait her bir saykılın Dalgacık saçılım dönüşümünü elde edilmesi ve normalizasyonu, dönüşümden elde edilen verinin test ve eğitim olarak bölünmesi, eğitim için ayrılan verinin çoğullanması ve sınıflandırılmasıdır. Veri çoğullama aşamasında Aşırı Öğrenme Makinesi Oto Kodlayıcı (ELM-AE) ve sonrasında bu modele altı farklı dalgacık fonksiyonun (Gaussian, Morlet, Mexican, Shannon, Meyer, Ggw) eklenmesiyle ELM-W-AE yapısını kullandık. Orijinal yapıya kıyasla sınıflandırmada kullanılan SVM ve EBT sınıflandırıcıları için ELM-W-AE’de sırasıyla yaklaşık %4 ve %3 oranında başarım artışı gözlemledik.